医工简报 | 应用于胸部X光检查的完全开放AI基础模型；可穿戴电化学生物传感器：远程水合与健康管理

星标“医工学人”，第一时间获取医工交叉领域新闻动态~

6.13‍‍‍‍‍‍‍‍

医工学人

The Innovators

1. Nature | 应用于胸部X光检查的完全开放AI基础模型；

2. Med. Image Anal. | ACOUSLIC-AI 挑战报告：来自低收入国家的盲扫超声数据上的胎腹围测量；

3. nature reviews electrical engineering | 可穿戴电化学生物传感器：远程水合与健康管理.

医工简报音频内容已在喜马拉雅、小宇宙等平台上线，欢迎订阅收听~

医学人工智能

Nature | 应用于胸部X光检查的完全开放AI基础模型

胸部X光检查通常是大多数肺部疾病的基线影像学手段。深度学习在自动化解读胸部X光影像方面具有巨大潜力。然而，现有的胸部X光深度学习模型在诊断范围、泛化性、适应性、鲁棒性和可扩展性方面存在局限。6月11日，美国亚利桑那州立大学和梅奥诊所团队合作完成一篇文章，提出Ark——应用于胸部X光检查的基础模型，通过循环积累和复用来自多个数据集中异构专家标注的知识进行预训练。Ark在胸部疾病诊断中表现卓越：它拓展了诊断范围并减少误诊风险；能适应不断演变的诊断需求并应对新型疾病；可从少量样本中学习罕见病症，且无需训练即可迁移至新诊断场景；耐受数据偏差和长尾分布，并支持联邦学习以保护隐私。所有代码和预训练模型均已开源，Ark可被微调、本地化适配和改进。该模型还能扩展至多种影像模态，因此是一个真正的医学影像基础模型。Ark的卓越能力源于该研究团队的核心发现：整合多样化数据集能扩大患者群体覆盖面，通过汇聚多专家知识实现性能突破，同时降低标注成本。Ark的开发证明，基于异构专家标注和大量公共数据集（无论规模大小）训练的开放模型，其性能可超越依赖私有大数据训练的专有模型。

https://www.nature.com/articles/s41586-025-09079-8

医学成像技术

Med. Image Anal. | ACOUSLIC-AI 挑战报告：来自低收入国家的盲扫超声数据上的胎腹围测量

胎儿生长受限(FGR)影响约10%的妊娠，是导致围产期死亡和疾病的关键因素，其诊断依赖胎儿腹围(AC)的精准监测，而低收入地区因超声设备昂贵和专业技师稀缺，难以开展常规产前超声检查。6月12日，国际多中心团队发布ACOUSLIC-AI挑战赛报告，系统评估AI从新手操作员使用低成本设备采集的盲扫超声数据中自动测量胎儿腹围的可行性。该研究创建了首个低收入国家盲扫超声公开数据集（塞拉利昂300例训练数据），并引入标准化产科扫查协议，开发多阶段评估指标（帧选择WFSS、分割软Dice系数、腹围误差NAE AC）。16支国际团队参与竞赛，最优模型A2（基于ConvNeXt-V2的多帧U-Net）达到±22.76mm (±9.09%)的测量一致性限，与文献报道的超声技师间差异(±21mm/±9.1%)相当。该报告为资源受限地区提供了可公开复现的算法基准，证明低成本盲扫超声结合AI实现产前监护的潜力。

https://doi.org/10.1016/j.media.2025.103640